Robuste Klassifikation von Punktwolken ist für praktische Anwendungen von entscheidender Bedeutung, da konsumorientierte 3D-Sensoren häufig partielle und verrauschte Daten liefern, die durch verschiedene Artefakte beeinträchtigt sind. In dieser Arbeit stellen wir einen allgemeinen Ensembles-Frame­work vor, der auf der Stichprobenauswahl partieller Punktwolken basiert. Jeder Ensemble-Teilnehmer erhält ausschließlich partielle Eingabedaten. Drei Stichprobestrategien werden gemeinsam eingesetzt: zwei lokale Strategien, basierend auf Patch- und Kurvenstrukturen, sowie eine globale Strategie der zufälligen Stichprobenauswahl. Wir demonstrieren die Robustheit unseres Ansatzes gegenüber verschiedenen lokalen und globalen Degradationen. Wir zeigen, dass unser Framework die Robustheit state-of-the-art Klassifikationsnetzwerke erheblich verbessert. Unsere experimentellen Ergebnisse basieren auf der kürzlich vorgestellten ModelNet-C-Datenbank von Ren et al. [24], auf der wir sowohl auf unveränderten als auch auf augmentierten Daten SOTA-Leistungen erzielen. Unser unveränderter mittlerer Korruptionsfehler (mCE) beträgt 0,64 (aktueller SOTA: 0,86), und 0,50 bei augmentierten Daten (aktueller SOTA: 0,57). Wir analysieren und erklären diese herausragenden Ergebnisse mittels einer Diversitätsanalyse. Unser Quellcode ist verfügbar unter: https://github.com/yossilevii100/EPiC